一种新型采煤机牵引速度通过集成的调整方法t - s云推理网络和改进算法

文摘

为了有效地、准确地调整采煤机牵引速度,一个新颖的方法基于Takagi-Sugeno (t - s)云推理网络(CIN)和改进的粒子群优化(IPSO)提出。建立了t - s CIN通过云模型和t - s模糊神经网络的组合。此外,IPSO算法采用参数自动化调整战略和重置速度大幅提高基本PSO算法的性能在全球搜索和微调的解决方案,设计和建议的方法的流程图。此外,一些模拟的例子进行比较的结果表明,该方法是可行的,有效的,并且是优于其他人。最后,煤矿的脸是一个工业应用实例展示了指定系统的影响。

1。介绍

目前,合作控制采煤机采煤机、刮板输送机和液压支架)是成为完全机械化开采面临的发展趋势。作为合作的关键因素控制,采煤机的牵引速度有很大影响挖掘效率和其他煤矿机器的工作状态。因此,牵引速度应该准确和合理可靠地调整。然而,由于煤矿的恶劣的工作条件,如狭窄空间,高煤尘,能见度低,和大噪音,希勒运营商没有准确和及时调整牵引速度只取决于希勒挖掘的振动噪声和手动可视化(1,2]。这种现象不能保证希勒在合作与其他煤矿机器工作合理、可能导致开采效率低的问题。此外,许多煤矿安全事故发生的越来越频繁。在这种背景下,研究调整方法采煤机牵引速度已成为一个具有挑战性的和重要的研究课题。

由于地下地质条件的随机性和复杂性,调节牵引速度将复杂性的特点,模糊性、不确定性,风险很高,这可能影响煤炭生产,甚至危及操作者的生命。因此,它是必要的处理速度准确和有效。在实际开采条件下,一些关键指标参数与采煤机牵引速度和有强烈的关系在本质上是高度非线性的,这样的关系很难建立一个全面的数学模型。处理这类问题,常用的方法是模糊理论和神经网络3- - - - - -5]。模糊神经网络(FNN)可以结合两者优点的模糊逻辑神经网络在处理模糊信息和良好学习能力(6]。它还可以处理通过语言表达不精确的信息。几十年来,模糊神经网络吸引了大量关注和被应用在许多领域7]。

作为一种典型的模糊神经网络,Takagi-Sugeno (t - s)型模型(8,9已经普遍和广泛使用。不过,采用传统的隶属度函数的模糊神经网络(如三角函数、梯形函数和普通函数)来描述从属关系10]。很难完全反映不确定性只有通过精确的隶属度函数。李等人提出了一种新的模型,即云计算模型的基础上,随机数学和模糊数学(11]。云模型使用语言值代表定性概念及其定量表示之间的转换。因此,可以引入云模型来取代传统的t - s模糊神经网络的隶属函数,然后t - s云推理网络(t - s CIN)是构成(12]。然而,有许多缺点的t - s CIN常见的反向传播(BP)算法和梯度下降训练,如容易捕捉到局部最小值点和可怜的能力在全球搜索(13,14]。此外,BP训练的性能取决于系统的初始值的参数,和不同的网络拓扑为每个网络层获得新的数学表达式。基于过去的人工智能优化算法,本文试图解决这一问题。

轴承上面的观察,提出基于t - s CIN的一个集成的方法和改进的粒子群优化(IPSO)调整采煤机牵引速度。本文的其余部分组织如下。节2根据文献,一些相关的作品概述。部分3描述了基于t - s CIN和IPSO算法的集成方法和设计算法的流程图。部分4提供了一些仿真例子和与其他方法进行比较,验证其可行性,效率,优于别人。一个工业矿山自动化生产的基础上提出系统的例子演示了指定部分的应用效果5。我们的结论进行了总结6。

2。文献综述

最近的出版物相关本文主要关心流t - s模型的学习算法。在本节中,我们试图总结相关文献。

近年来,许多研究遗传算法(气)用于t - s模型的学习和获得更好的性能比BP算法(15]。在[16),一种混合算法,结合遗传算法的优势的强大的搜索能力和卡尔曼滤波器的快速收敛的优点,提出了构建“吝啬的”模糊模型泛化能力高。王等人提出了一个新方案基于多目标分层遗传算法从数据中提取可判断的规则知识和该方法来源于使用多目标遗传算法(17]。在[18),一个混合动力系统结合一个模糊推理系统和遗传算法提出了优化Takagi-Sugeno-Kang模糊神经网络的参数。林、徐提出了一种自适应神经模糊网络组的共生演化方法和遗传算法被用来调整参数所需的输出(19]。在[20.),提出了一种模糊控制器设计方法基于遗传算法找到同时隶属度函数和规则集。Juang提议TSK-type周期性模糊网络控制问题的遗传算法(21]。

最近,当一个新分支进化算法,粒子群优化(PSO)已经吸引了许多研究者的兴趣(22]。与遗传算法相比,该算法有一些吸引人的特点,如简单的概念,容易实现,鲁棒性控制参数,计算效率相比与其他启发式优化技术。成功的算法在优化问题中的应用,如函数优化、神经网络优化,展示了其潜在的(23,24]。模糊模型和PSO算法结合的方法,提出了在25,26),作者发现PSO算法能产生更好的结果比遗传算法确定模糊模型具有相同的复杂问题。尽管PSO算法发展迅速,它是相对低效的本地搜索,很容易导致早熟收敛。因此,一些改进的方法和变异PSO的报告。杜等人提出了一种新颖的混合学习算法基于随机合作分解和离散粒子群优化算法PSO算法的二进制版本,和最佳的t - s模糊神经网络的结构和参数同时实现(27,28]。在[29日),交通流的预测算法t - s模糊神经网络和改进的粒子群优化,提出了使用和改进的策略,使算法跳出局部收敛通过使用分布。林提出了一种新的基于免疫学习算法共生粒子群优化用于TSK-type neurofuzzy网络,以避免陷入局部最优解的搜索能力,确保全局最优解附近(30.]。

此外,合作粒子群优化(复)算法提出了基于共同进化的概念和被证明是更有效的比传统的算法在大多数优化问题(31日]。在[32),一个强大的基于两个群协同进化粒子群优化算法与不同的行为来改善全球提出了算法的性能。在[33),一种新颖的自适应合作提出了一种自适应搜索算法,该方法结合合作学习和PSO战斗的诅咒维度和控制平衡的勘探和开采的较小的subswarms。

根据以上分析,虽然提出了许多改进算法策略,他们有一些共同的缺点总结如下。首先,大部分改进IPSO算法很难获得一个良好的全局收敛性和收敛效率之间的权衡。其次,它的成本计算时间长,有一个弱在高维优化问题的能力。最后,还有缺乏有效的评价工具来确定粒子陷入局部最优值或没有。

本文提出一种改进的PSO算法采用参数自动化策略和速度重置,和集成方法基于t - s CIN IPSO学习算法和生成调整希勒牵引速度。一些模拟的例子并与其他方法进行比较,和建议的方法被证明是可行的和有效的。

3所示。该方法

3.1。云模型

云计算是一个模型使用的语言值来表示之间的不确定性转换定性概念和定量表示。假设精确的值和定量域表达是一个定性的概念。如果一个量化值是一个随机实现定性概念的会员来,是一个随机数和一个稳定的趋势::,,,然后的分布在域被称为云,每个被称为云滴。

正常的云被广泛用作云模型。我们假设代表一个一维正态分布的随机函数,期望值和吗标准偏差。如果 和满足方程,可以表示如下: 的分布在域被称为正常的云。在(1),,,表示期望、熵和超熵,分别用于描述云的数字特征。云滴的期望在域的分布和最典型的点代表定性概念。是定性的测量不确定性的概念,反映了模糊性和随机性的相关性。是熵的不确定的测量,是由模糊性和随机性。

正常的云计算和隶属函数的一个可能的形式,其语言值接近于零,可以如图所示1。显然,隶属函数是一个特定的曲线。一旦隶属函数表示模糊的性质,它不再是模糊的。然而,正常的云是由一些云滴,这可以反映出模糊性。会员是一组随机值与一个稳定的趋势,而不是固定的值。云模型不是通过某些功能描述,因此,提高处理不确定性的能力。

3.2。t - s云推理网络的结构

对于一个多变量(味噌)系统,给出的t - s模型可以如下:让表示一个输入向量,其中每个变量是一个模糊语言变量。语言变量的集合是由(),()是语言输入的值。模糊集合上定义的域的成员是(,)。根据(8),t - s CIN四层组成的,可分为两个网络:前期网络和随之而来的网络。这个t - s CIN的前三层对应于前期网络和第四层输出层。t - s CIN的结构可以被描述为图2。

在图2的目的和意义,每一层可以定义如下。

第一层。这一层是前期网络的输入层,在这一层不执行函数。节点只是用来传输第二层的输入值。

第二个层。这一层是模糊化层的云模型的使用。节点在这一层对应于一个语言标签在第一层的输入变量。每个节点代表一个云模型,用于实现输入变量的云。在这项研究中,云的分区的数量设置为和第二层次的总数。输入变量的隶属程度的云可以通过以下公式计算: 在哪里。

第三层。这一层是云推理层(云规则层)。发射强度的计算规则。每个节点描述一个云规则,用于匹配的输入向量。输入向量的程度比赛规则可以通过以下公式计算: 在哪里叫做发射强度的规则吗。

第四层。在随之而来的网络,它是一个线性关系层。这个网络的隐层输出可以通过以下方程: 在哪里是网络的系数。

输出层总结所有激活值从云推理规则生成整体输出,可以通过计算

3.3。对t - s CIN学习算法

根据t - s CIN的原则,男子汉的包括期望的结构和参数,熵,超熵云模型和系数随之而来的网络。传统的学习算法对t - s CIN梯度下降的方法。然而,梯度下降方法的初始值对网络的学习效果有很大的影响,该方法容易陷入局部最小值。介绍一种改进的粒子群优化算法(IPSO)的学习算法提出了优化的结构和参数t CIN。

基本粒子群优化算法(PSO)是一群粒子在解空间中随机初始化,每个粒子运动在一定规则探索若干次迭代后的最优解。它有两个属性的位置和速度。的位置th粒子和速度可以用。在t - s CIN,超熵的参数的不确定性度量熵和取决于实际情况。在这篇文章中,是设置为。因此,应通过PSO优化的其他参数。一个粒子的位置对应于t CIN可以编码如图3。

因此,的位置和速度粒子可以作为

更新粒子通过跟踪两个“极值”在每个迭代中。一个是个体最优解发现由粒子本身,另一个是全局最优的解决方案发现的粒子。特定的迭代公式可以表示如下: 在哪里当前迭代次数;,是粒子数;和;和加速度系数;和均匀分布随机数范围吗。速度矢量范围是有限的减少粒子的可能性让搜索空间和位置矢量夹范围吗,可根据实际问题和决定通常选择的是什么,;是当前惯性权重。

施进行和埃伯哈特(34)提出了一个线性变化的惯性体重()在一代又一代,这极大地提高了算法的性能,可以更新以下方程: 在哪里和是惯性的最大和最小重量;允许的最大数量的迭代。的实证研究34)表明,最优解可以通过不同的价值提高从0.9开始的进化过程到0.4结束时大多数问题的进化过程。

虽然版本基于时变惯性权重的算法能够找到一个好的解决方案更快速度,调整最优解的能力相对较弱,主要是由于缺乏多样性的进化过程。观察到的7),粒子倾向于最优解决方案通过两个随机组件:一个是认知成分,另一个是社会组件。因此,适当控制两个组件迫切需要有效的寻找最优解决方案。本文算法的一个版本基于时变加速度系数提出了调整组件通过减少和增加随着时间的推移。基于实证研究,Ratnaweera et al。35)观察到的最优解在大多数基准测试可以通过减少改进从2.5到0.5,增加从0.5到2.5的全面搜索。因此,不同的方案和可以得到如下:

开始搜索,一个大的认知成分和一个小社会组件被分配到保证粒子的移动搜索空间。另一方面,一个小的认知成分和一个大型社交组件允许粒子在后者收敛到全局最优搜索。

算法可以快速找到一个好的局部解但有时遭受停滞不改进,然后陷阱的局部最优解。在这项研究中,采用适应度方差来衡量是否算法陷入局部最优,可以计算如下: 在哪里表示的健身th粒子;表示归一化因子。适应度函数和可以计算如下: 在哪里训练样本的总数;网络的输出th训练样本;是预期的输出。因此,是归一化均方误差(MSE)个人的在训练集上。

健身方差是粒子收敛程度的象征。当小于指定值吗,该算法被认为是陷入早熟。因此,为了避免这种缺陷基本PSO、突变机制提出了基于调整速度,使粒子有一个新的动力。在此战略下,什么时候,每个粒子将选择一个预定义的概率从人口,然后随机扰动被添加到每个维度(选择一个预定义的概率)的速度矢量所选的粒子。重置速度的伪代码可以给出伪代码1,在那里,,分别生成并均匀分布随机数范围。

3.4。提出的方法的流程图

以上具体治疗,t - s的结构和参数由IPSO CIN进化可以实现。根据以上描述关于t - s CIN的学习算法,该方法是一个迭代的算法,可以编码在电脑上轻松,和流程图可以概括如图4。

4所示。仿真例子

在本节中,在采煤机牵引速度的调整是一个例子来验证该方法。本研究的目的是为了提高识别的准确性和效率,牵引速度。此外,这个例子可以分为三个主要阶段。首先,根据剪切机的工作原理,牵引速度和水平的主要评价指标可以确定可以建立合理和示例。其次,根据获得的评价指标,t - s CIN模型可以构造。第三,建立标准的t - s CIN, PSO的t - s CIN, IPSO, t - s模糊神经网络和传统,PSO的t - s模糊神经网络,IPSO优化,分别测试了相同的训练和测试样本比较的准确性和效率,调整希勒牵引速度。

4.1。样品制备

在一个完全机械化采煤的脸,采煤机牵引速度的调整应考虑协调与其他煤矿设备(刮板输送机和液压支架)。采煤机工作原理的分析后,牵引速度的评价指标主要包括切割电机电流(CMC),降低电机温度(CMT),牵引电动机电流(TMC),牵引电动机温度(TMT),刮板输送机电流(SCC)和刮板输送机速度(SCS)。固定的MG 300/730-WD希勒,牵引速度的调整范围是0 ~ 9.0 m / min。牵引速度相当的水平分区,可以应用于控制希勒。在实证研究的基础上,速度水平可分为0 ~ 2.0 m / min(一级),2.0 ~ 3.5 m / min(二类),3.5 ~ 4.5 m / min(第三类),4.5 ~ 6.0 m / min(四级),6.0 ~ 7.5 m / min(类V)和7.5 ~ 9.0 m / min(第六课)。然而,随着数据库中的信息收集后,工人操作煤炭开采设备,也许不是很理想和实用的信息。因此,介绍了阈值为0.2,表达主观的因素,从数据库和牵引速度水平可以被处理和描述如图5。

了1级(一级)作为一个例子,水平速度0 ~ 2米/分钟可以重新定义如下: 在哪里是当前采煤机牵引速度。以同样的方式,重新定义的功能对其他速度也可以轻松获得。

根据信息数据库获得的在常村煤矿2215工作面Yima煤炭工业集团有限公司400组样本是随机抽取并重新排列,如图6。

4.2。参数选择方法

IPSO有一些参数需要指定的用户。然而,它是不必要的调整这些参数样本数据因为IPSO不是非常敏感。因此,这些参数被设置为粒子的数量(50);允许的最大数量的迭代(500);粒子的位置和速度范围();初始加速度系数和IPSO的(2.5和0.5);惯性权重和IPSO的(0.9和0.4);终止错误(0.0001);的最低健康方差变异(0.001)。

t - s CIN的结构是由样本数据。在这个模拟的例子中,输入数据的t - s CIN 6-dimensional和输出数据是单维的。因此,和可以设置为12。其他参数包括期望,熵,超熵,系数通过IPSO可以优化。

4.3。仿真结果

样本数据在图6首先应该规范化,并随机分成一个包含350个样本训练数据集和测试数据集包含剩余的50个样本,它只用于验证的准确性和t - s CIN模型训练的有效性。

相关的参数作为部分4.3描述。该方法运行10次,意味着值被认为是最终结果。t - s CIN的性能标准均方可以测量的绝对误差(MSE)和平均绝对误差(MAE)预测结果和实际结果之间的关系。的学习曲线与MSE和梅t基于IPSO CIN模型如图7。

如图7IPSO-based t CIN模型后,训练了500次,训练样本的均方误差可以达到0.00065和梅可以达到0.00987。实际上,MSE的值和梅基本上保持稳定在280年的时候,该方法可以显示良好的收敛性能。

t - s CIN模型训练阶段后,可以获得。为了验证模型的准确性,剩下的50个样品是用来测试它的性能。网络的预测错误和偏差比较图输出和实际输出如图8。如图8MSE和梅的测试样品是0.006118和0.0346,分别显示良好的泛化性能。此外,平均相对误差和最大相对误差分别为1.23%和5.78%,满足精度要求。

4.4。与其他方法相比

为了表明t - s CIN集成IPSO的优越性,基于基本PSO的t - s CIN(全局搜索),复形,IPSO提供了解决以上问题的例子。训练样本和测试样本是一样的。模拟环境的配置三个算法统一及相关参数与上面的例子。学习曲线相比MSE和梅的t - s CIN模型基于全局搜索,复形,IPSO可以如图9和一些性能标准中列出的表1,50 _mse和50 _mae MSE和梅的值50迭代阶段。此外,绝笔和MaxRE表示的平均相对误差和最大相对误差网络输出和实际输出。

从图9和表1复形的下降速度误差和IPSO是全局搜索的速度比在训练阶段。IPSO-based t CIN的美可以< 0.05 30迭代和训练的MSE为300次迭代阶段达到一个稳定的阶段。然而,训练误差与全局搜索的美,t - s CIN模型CPSO-based仍在0.05026和0.1293 30迭代。在测试阶段,测试样本误差的全局搜索,CPSO-based t CIN远远大于该方法相同的输入条件。标准的分析,t - s CIN CPSO-based比这些更优秀的其他方法在训练阶段和测试阶段,也证明了该方法的有效性和可行性。

为了验证t - s CIN的优越性(t - s云神经网络耦合模型),图的示例数据6用于测试t - s CIN的性能和传统的t - s模糊神经网络,并提出IPSO也集成了两个网络。因此,四个算法开发,标记为t - s模糊神经网络,t - s CIN, t - s FNN_IPSO和t - s CIN_IPSO。模拟环境的配置四个算法是统一的和上面的参数与模拟的例子。这些算法的训练样本和测试样本应保持一致。为了避免随机误差,每个算法运行10次,计算平均值。不同测试结果的对比图如图10。

如图10插图,t - s CIN的预测误差明显小于这些t - s CIN。通过云模型的应用取代t - s模型的隶属函数的不确定性问题的处理能力可以增强和T-SCIN执行较低的MSE,梅,绝笔,MaxRE。此外,耦合IPSO算法的比较结果验证了该方法优于其他。

4.5。进一步讨论

为了进一步比较和分析基于IPSO的t - s CIN的整体性能,复形,和PSO优化的最优解(实际值),同样的400个样本进行实验。在这个例子中,一定数量的样本,用training-size (),是随机选择的数据作为训练样本,从剩余的50个样本是随机选择的样品作为测试样本。然后每个神经网络训练和测试50倍,平均结果记录为最终结果。在这项研究中,随training-size的例子。也就是说,我们在网络运行几个试验training-size 50到350不等。根据(36),相对误差(网络输出和吗是预期的输出)选为指标来表达结果的比例最优解(实际值)。

图11情节的这个指标(绝笔)为每个审判问题大小的函数。可以看出,所有试验的绝笔减少非线性和t - s CIN基于t - s CIN IPSO算法优于基于复形优化,进而优于t CIN基于全局搜索优化。

从图11的偏差,很明显,基于t - s CIN IPSO优化不同training-sizes是最小的,这意味着基于t - s CIN IPSO优化更加稳定和健壮,并拥有更强的泛化能力比基于复形和t - s CIN PSO优化无论training-size。因此,基于t - s CIN IPSO优化可以获得一个相对高精度提供一个有效的支持工具为采煤机牵引速度模糊和不确定的调整。

5。工业应用

在本节中,基于建议的方法的系统开发和应用领域的煤矿面临如图12。

如图12显示,“网关控制器”和“地面监控中心”是用于控制和监测采煤机工作参数,分别位于地下和地上。该系统上传到PLC(可编程逻辑控制器)安装在希勒和水平可以获得速度。采煤机的牵引速度与图可以通过速度调整水平5。希勒的参数传输到网关控制器通过无线网络。“地面监控中心接收这些数据通过地下光纤的通信和地面局域网。

希勒,调节牵引速度的目的是确保希勒矿山煤炭顺利和有效地削减当希勒煤和煤矸石。为了说明提出了系统的应用效果,希勒操作符记录的位置切割煤或煤和煤矸石。这种效应可以完全通过切割电机电流的变化反映出来。在这个实验中,切割电机电流收集每1赫兹和收集到的数据传输到“网关控制器”和“地面监控中心。“切割电机电流的变化曲线绘制,说明了系统的应用效果,如图13。

从图13切割电流在2.5米到4.0米的位置和7.3米到8.2米稍高于其他地方,因为希勒将煤和煤矸石、调整和相应的牵引速度及时通过该系统较低水平。应用效果表明,该系统基于提出的方法可以提供一个可行的战略安全,高效的煤矿。

6。结论

摘要小说提出了采煤机牵引速度调整方法,基于t - s CIN与整合IPSO算法。IPSO使t - s CIN动态演变的参数使用特定的个人表现和进化方案。提高算法的效率在全球搜索和微调的解决方案,参数自动调整策略和速度重置用于IPSO算法。验证了该方法的性能,提供一些模拟的例子和一些与其他方法进行了比较。结果验证IPSO-based t - s模糊CIN是一种有效的支持工具和不确定采煤机的牵引速度调整。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

国家高技术研究发展计划的支持,中国没有。2013 aa06a411),中国国家重点基础研究计划:关键基础研究无人采矿设备深陷危险煤层(没有。重点学科2014 cb046300),程序开发江苏高等教育机构在执行这项研究是感激地承认。

引用

1. l . Si z . b . Wang x h . Liu和c . Tan“希勒的切割路径规划预测煤层分布的基础上,“中国矿业大学与技术杂志》上,43卷,不。3、475 - 482年,2014页。视图:谷歌学术搜索
2. z . Wang l . Si c . Tan和刘x,”希勒切削载荷识别的新方法通过集成的改进的粒子群优化和小波神经网络,”机械工程的发展文章ID 521629卷,2014年,13页,2014。视图:出版商的网站|谷歌学术搜索
3. m . Otadi”完全模糊非线性方程组与模糊神经网络”神经计算和应用,21卷,不。1,第376 - 369页,2012。视图:出版商的网站|谷歌学术搜索
4. m . r . Mosavi”比较DGPS修正预测使用神经网络,模糊神经网络和卡尔曼滤波,”GPS解决方案,10卷,不。2、97 - 107年,2006页。视图:出版商的网站|谷歌学术搜索
5. z . x, y . g .太阳,问:张先生,j .秦x w .太阳,和h . y .沈,“研究模糊神经网络算法对非线性网络流量预测,“光电子学字母,卷2,不。5,373 - 375年,2006页。视图:谷歌学术搜索
6. 陈y, b, a·亚伯拉罕和l .彭”自动分层Takagi-Sugeno型模糊系统的设计使用进化算法,”IEEE模糊系统,15卷,不。3、385 - 397年,2007页。视图:出版商的网站|谷歌学术搜索
7. y Yoon、t .吉马良斯和g .洼地”集成人工神经网络和基于规则的专家系统”,决策支持系统,11卷,不。5,497 - 507年,1994页。视图:出版商的网站|谷歌学术搜索
8. 高木涉和t . m . Sugeno”模糊识别系统及其应用程序建模和控制,”IEEE系统,人与控制论,15卷,不。1,第132 - 116页,1985。视图:谷歌学术搜索|Zentralblatt数学
9. F.-J。林,学术界。林,林志信。沈,“Self-constructing模糊神经网络速度控制器的永磁同步电动机驱动,“IEEE模糊系统,9卷,不。5,751 - 759年,2001页。视图:出版商的网站|谷歌学术搜索
10. js。r .张成泽“简称ANFIS: adaptive-network-based模糊推理系统,”IEEE系统,人与控制论,23卷,不。3、665 - 685年,1993页。视图:出版商的网站|谷歌学术搜索
11. d . y . Li c . y . Liu和l . y .刘”的普遍性研究正常的云模式,”工程科学》第六卷,没有。8日,28-34,2004页。视图:谷歌学术搜索
12. 惠普刘Gan树群,z . j .沈”t - s模糊神经网络的一种改进。”中国控制工程,12卷,不。5,442 - 445年,2005页。视图:谷歌学术搜索
13. w . Pedrycz和m .格式化”进化模糊建模,IEEE模糊系统,11卷,不。5,652 - 665年,2003页。视图:出版商的网站|谷歌学术搜索
14. 张x, w .赵、张,和t .徐”板形模式识别方法基于t - s云推理网络,改善”中南大学学报(科技),44卷,不。2、580 - 586年,2013页。视图:谷歌学术搜索
15. 研究。哦,w . Pedrycz, H.-S。公园,“混合识别的模糊神经网络,”模糊集和系统,卷138,不。2、399 - 426年,2003页。视图:出版商的网站|谷歌学术搜索|MathSciNet
16. l . Wang和j .日圆”提取模糊规则系统建模使用的混合遗传算法和卡尔曼滤波器,”模糊集和系统,卷101,不。3、353 - 362年,1999页。视图:出版商的网站|谷歌学术搜索|MathSciNet
17. h . Wang邝,y, w·魏k . f .男人,“多目标分层遗传算法可判断的模糊规则知识提取、”模糊集和系统,卷149,不。1,第186 - 149页,2005。视图:出版商的网站|谷歌学术搜索|MathSciNet
18. a . m .唐、c·奎克和g·s·Ng”GA-TSKfnn:参数使用遗传算法优化的模糊神经网络,”专家系统与应用程序卷,29号4、769 - 781年,2005页。视图:出版商的网站|谷歌学术搜索
19. C.-J。林和Y.-J。许”,自适应神经模糊网络组的共生演化及其预测应用,”模糊集和系统,卷157,不。8,1036 - 1056年,2006页。视图:出版商的网站|谷歌学术搜索|MathSciNet
20. a . Homaifa和e·麦考密克“同时设计模糊控制器的隶属函数和规则集使用遗传算法,”IEEE模糊系统,3卷,不。9日,第139 - 129页,1995年。视图:谷歌学术搜索
21. 张炳扬。Juang“TSK-type周期性模糊网络动态系统处理由神经网络和遗传算法”IEEE模糊系统,10卷,不。2、155 - 170年,2002页。视图:出版商的网站|谷歌学术搜索
22. 进行j·肯尼迪和r·埃伯哈特,“粒子群优化”《IEEE国际会议上神经网络皮斯卡塔韦,页1942 - 1948年,新泽西,美国,1995年12月。视图:谷歌学术搜索
23. p . Damodaran d . A . Diyadawagamage o . Ghrayeb和m . c . Velez-Gallego“最大完工时间最小化的粒子群优化算法不恒等的并行批处理机器,”国际先进制造技术杂志》上,卷。58岁的没有。9 - 12,1131 - 1140年,2012页。视图:出版商的网站|谷歌学术搜索
24. 公元邓、l .赵和w·魏”的应用粒子群优化的小波神经网络的声发射源的定位,”神经信息处理卷,5864在计算机科学的课堂讲稿施普林格,页738 - 745年,2009年。视图:谷歌学术搜索
25. 答:斯拉、美国Kumar和k . k . Aggarwal”一个框架,用于识别通过粒子群优化的模糊模型,”《IEEE Indicon会议钦奈,页388 - 391年,印度,2005。视图:谷歌学术搜索
26. A·斯拉、美国Kumar和k·r·戈什”之间的计算工作比较粒子群优化和遗传算法识别的模糊模型,”《北美模糊信息处理学会年会(NAFIPS ' 07)2007年6月,页245 - 250。视图:出版商的网站|谷歌学术搜索
27. 叼g . Du江z、x, y, y和姚明,“差异处理方法基于t - s模糊神经网络的临床路径与新颖的混合学习算法,”医疗系统杂志,36卷,不。3、1283 - 1300年,2012页。视图:出版商的网站|谷歌学术搜索
28. g . Du江z、x刁和y姚明,“知识提取算法使用集成的混合遗传方差处理CP双多群合作PSO和DPSO,”医疗系统杂志,36卷,不。2、979 - 994年,2012页。视图:出版商的网站|谷歌学术搜索
29. y侯和h .赵”,交通流预测基于t - s模糊神经网络的优化改进的粒子群优化,“计算机工程与应用,50卷,不。4、236 - 239年,2014页。视图:谷歌学术搜索
30. c·j·林”,一个高效的基于免疫共生TSK-type神经模糊网络粒子群优化学习算法设计,“模糊集和系统,卷159,不。21日,第2909 - 2890页,2008年。视图:出版商的网站|谷歌学术搜索|MathSciNet
31. f . van den马瑞医生和A . p . Engelbrecht”合作的粒子群优化方法,”IEEE进化计算,8卷,不。3、225 - 239年,2004页。视图:出版商的网站|谷歌学术搜索
32. d·陈,赵c, h,“一种改进的协同粒子群优化及其应用”神经计算和应用,20卷,不。2、171 - 182年,2011页。视图:出版商的网站|谷歌学术搜索
33. l .王”,一种改进的粒子群优化合作。”电信系统,53卷,不。1,第154 - 147页,2013。视图:出版商的网站|谷歌学术搜索
34. y史进行r·c·埃伯哈特,“粒子群优化的实证研究”美国国会在99年进化计算(CEC),3卷,第106 - 101页,1999年。视图:谷歌学术搜索
35. a . Ratnaweera s . k . Halgamuge, h·c·沃森“自组织层次粒子群优化器与时变加速度系数,”IEEE进化计算,8卷,不。3、240 - 255年,2004页。视图:出版商的网站|谷歌学术搜索
36. m .棺材和m·j·萨尔兹曼”的统计分析计算的测试算法和启发式,”通知杂志上计算,12卷,不。1,注意寻找车号为24 - 44,2000页。视图:出版商的网站|谷歌学术搜索

版权

版权©2014 Lei Si et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。